人脸面部表情包含着复杂的内在情感,是人与人交流的重要途径,近年来一直是机器视觉、人机交互与模式识别等研究领域的热点话题。表情识别的现实意义是让计算机根据人类的“脸色”行事,使计算机更加理解人类的想法,更加智能化,同时使人机交互的过程更加自然。表情识别通常分为四部分:获取表情图像样本、图像预处理、表情特征提取和表情特征分类,其中特征提取和特征分类是表情识别的核心技术。针对当下表情识别率低的问题,本文采用了LBP分区结合IWO-ELM的表情识别方法进行表情自动分类,主要研究工作如下。首先,为了排除光照对表情识别的影响,本文设计了表情图像采集装置,并对采集到的图片进行了预处理操作。其次,进行人脸识别与特征提取。在Ada Boost人脸检测器的基础上,结合Open CV函数库实现人脸识别与特征点定位。通过分析几种典型的表情特征提取算法,采用LBP分区算法作为本文特征提取的方法。最后,进行特征分类。建立ELM分类模型,并对分类模型进行IWO优化。利用训练样本进行训练,构造出每一类的表情模型,用测试样本进行预测和估计。本文选取日本JAFFE表情库、中科院的CASME表情库以及采集装置采集到的表情图像作为实验样本;通过大量的实验来验证本文使用方法的性能,经过实验证明,本文构建的表情识别系统拥有85%以上的正确分类率。